Veo 3.1 и несколько референсов: как собрать персонажа, локацию и стиль в одном видео

Ещё недавно работа с видео по изображению напоминала попытку договориться с капризным художником: вы даёте один кадр, просите оживить сцену и надеетесь, что герой останется героем, а не превратится в часть мебели. Сейчас в Veo 3.1 у меня впервые появилось ощущение, что модель действительно понимает задачу шире. Она видит и картинку, и то, как собрана сцена. Для видео это важнейший сдвиг. Когда у вас есть отдельный референс на человека, отдельный на локацию и отдельный на стиль, работа становится гораздо точнее. И спокойнее.

Пока мы разбираем эту тему, хочу коротко поделиться тем, чем сама пользуюсь в повседневной работе. У меня часто нет желания держать в голове десятки подписок и переключаться между сервисами, поэтому я давно сохранила себе Бот SozdavAI. Там собраны нейросети для текста, фото и видео, и это действительно экономит и время, и деньги: один сервис, один доступ, всё под рукой. При переходе по ссылке дают приветственный бонус — 10 000 токенов, а у подписчиков моего канала есть бесплатные запросы к ChatGPT 5 nano даже после окончания баланса. Для быстрых задач это очень удобно. А теперь вернусь к Veo 3.1, потому что многореференсный подход здесь раскрывается особенно интересно.

Что такое Veo 3.1

Veo 3.1 — модель Google для генерации видео по текстовому запросу и изображениям. Она нужна, когда вы хотите быстро собрать короткую сцену, рекламный фрагмент, визуальный концепт или раскадровку без отдельной съёмки. Для меня ценность Veo 3.1 не в самом факте генерации ролика, а в том, что модель стала лучше работать с несколькими визуальными опорами сразу.

У неё есть несколько практических сценариев:

Генерация видео по тексту, анимация одного изображения, создание ролика с несколькими визуальными референсами, управление персонажем, предметом, окружением и художественным настроением. Также модель может генерировать звук, атмосферные шумы и отдельные элементы речи, а ещё делать ролики в горизонтальном и вертикальном формате. Это уже даёт очень широкий рабочий коридор, особенно если вы делаете короткие промо, тестируете идею для ролика или собираете черновой визуальный сценарий.

Но ключевой шаг вперёд здесь связан с режимом Ingredients to Video — «ингредиенты для видео». Само название очень точное. Вы больше не пытаетесь впихнуть в один кадр все детали сразу. Можно разложить задачу на части: один референс задаёт лицо героя, другой — одежду, третий — место действия или визуальную манеру. Для видео это почти как нормальная режиссёрская логика, только в диалоге с нейросетью.

Как работает Ingredients to Video

В режиме Ingredients to Video каждое изображение становится отдельной визуальной подсказкой. Это не коллаж, не грубая склейка и не попытка механически соединить фотографии. Veo 3.1 смотрит на каждый референс и пытается понять, что в нём главное: человек, объект, пространство, палитра, свет, одежда, текстура, настроение.

Я бы описала это так: один референс отвечает за «кто», второй за «что вокруг», третий за «какой тон у всей сцены». Когда вы правильно распределяете роли, результат получается заметно собраннее. Особенно это чувствуется в кадрах, где есть движение камеры и нужно удержать образ героя и характер всего пространства.

Представьте три изображения: женщина в жёлтом плаще, старый трамвай и ночная улица с неоновым светом. Если в тексте вы попросите сцену, где героиня выходит из трамвая под дождь, камера плавно приближается, а на асфальте отражается неон, модель использует каждый референс по-своему. Первый помогает удержать внешность и одежду, второй подсказывает сам трамвай, третий влияет на атмосферу и освещение. Это уже не случайный набор деталей, а цельная сцена.

Но здесь есть важная вещь, которую я постоянно повторяю и себе, и тем, кто только начинает: референсы не отменяют текст. Они помогают, но не заменяют инструкцию. Если вы не скажете, что именно должно происходить, модель может красиво собрать картинку и потерять смысл действия. Поэтому визуальная опора и текст работают только вместе.

Сколько изображений можно использовать

В актуальном сценарии Veo 3.1 поддерживает до трёх референсных изображений одновременно. Это удобно, но накладывает дисциплину. Вы можете дать модели одного персонажа, персонажа и предмет, персонажа и локацию, товар и интерьер, несколько ракурсов одного героя или объекта. Но три изображения не решают всё автоматически. Они просто дают больше контроля.

Здесь полезно заранее определить цель. Если вам важнее сохранить героя, то все три слота лучше тратить на него: лицо, полный рост, профиль. Если вы делаете ролик о товаре, тогда логичнее дать крупный план предмета, пример упаковки и подходящую среду. Так модель понимает, что для вас главное.

У меня был показательный случай: я делала тест сцены с героиней и аксессуаром. Когда в референсах было слишком много декоративных деталей, модель начинала цепляться за второстепенное. А стоило оставить только лицо, вещь и пространство — и кадр сразу становился чище. В видео это особенно заметно, потому что лишний шум почти всегда сдвигает внимание от главного объекта.

Какие референсы подходят лучше

Качество исходных изображений напрямую влияет на результат. И тут нет магии, только аккуратная подготовка. Чем понятнее референс, тем меньше модель додумывает за вас. А чем больше ей приходится додумывать, тем выше риск странных изменений в одежде, руках, освещении или мелких деталях.

Для персонажа

Лучше выбирать изображение, где лицо хорошо освещено, глаза не перекрыты волосами, очками или тенью, а образ читается без усилий. Если вам нужно сохранить костюм, лучше дать фото, где одежда видна полностью. Крупный портрет часто недостаточен, если важны брюки, обувь, длина пальто или форма рукавов.

Я всегда советую не экономить на качестве для персонажа. Если герой будет «плыть» от кадра к кадру, видео теряет доверие. А зритель в первую очередь замечает лицо и руки. Даже маленькая неточность там бросается в глаза сильнее, чем фон.

Для предмета

Для товара, мебели, автомобиля или любого предметного кадра лучше брать изображение с чёткими границами и понятной формой. Хорошо, если нет лишних вещей на переднем плане, сильных бликов и грязного фона. Если важна упаковка или логотип, предмет стоит показать крупно, но нужно помнить, что мелкий текст всё равно может измениться.

Если вы делаете ролик для продукта, не пытайтесь спрятать его в сложной сцене сразу. Сначала добейтесь того, чтобы сама вещь выглядела убедительно. Потом уже добавляйте интерьер, движение и свет.

Для локации

Референс места должен давать ощущение пространства. Подойдут улицы, комнаты, кафе, вокзалы, лес, производственное помещение, фантастический город. Лучше, когда в кадре видна перспектива, есть выраженный источник света и понятно, где находится центр сцены. Панорамные снимки работают особенно хорошо, если вам важно сохранить масштаб.

Для меня локация часто задаёт настроение сильнее, чем герой. Один и тот же персонаж в пустом офисе и в старом вокзальном зале будет ощущаться совершенно по-разному. Поэтому к выбору места я отношусь почти как к выбору музыкального аккорда — он держит всю сцену.

Для стиля

Стилевой референс полезен, если вам нужно передать цветовую палитру, характер света, зернистость, контраст, фактуру или общий визуальный ритм. Здесь лучше формулировать задачу точно. Не «сделай красиво», а «мягкий рассеянный свет», «холодная синяя палитра», «зернистая плёнка», «контрастная ночная съёмка».

Стиль лучше воспринимать как слой, а не как главный сюжет. Если он начинает спорить с героем и локацией, видео теряет цельность. Мне кажется, это одна из самых частых ошибок: человек выбирает очень сильный стилистический образ, а потом удивляется, почему модель слишком уходит в декоративность.

Как писать промпт для Veo 3.1

Хороший промпт для видео — это небольшая режиссёрская инструкция. Не длинный поток эпитетов, а ясная последовательность. Я обычно смотрю на него как на схему съёмки: кто в кадре, где происходит действие, что он делает, как движется камера, какой свет, какой звук и что именно надо удержать из референсов.

Рабочая структура простая:

Первый референс — внешность персонажа, второй — предмет, третий — окружение. Потом вы описываете действие, движение камеры, освещение, настроение и звук. Чем яснее распределены роли, тем лучше модель понимает задачу.

Например: персонаж идёт по пустой платформе, держит старый чемодан, камера движется за ним плавным проходом, затем делает наезд на лицо, раннее утро, холодный свет из окон, слышны шаги и далёкий гул поезда. Это уже полноценная мини-сцена. И здесь лучше не перегружать текст лишними эффектами. Когда всё сказано слишком громко, модель начинает терять логику.

Если вам нужно сохранить конкретные признаки, не стесняйтесь повторять их в формулировке. Например: цвет пальто, форма чемодана, характер освещения, архитектура помещения. Но не раздувайте промпт до бесконечности. В видео лучше работает точность, а не словесная пышность.

Как удержать персонажа в кадре

Сохранение лица и внешности — одна из самых сложных задач. В коротком ролике герой может измениться уже через несколько секунд: немного другая причёска, другой возраст, искажённые пропорции или смена одежды. Несколько референсов помогают снизить риск, но не дают абсолютной гарантии.

Для большей стабильности я бы советовала использовать несколько изображений одного человека с разных ракурсов, не менять в тексте возраст и телосложение без необходимости, начинать с простых движений и не перегружать сцену слишком быстрым монтажом. Если герой должен пройти сложный путь, лучше сначала добиться устойчивого результата в спокойной сцене, а потом уже усложнять действие.

В моих тестах очень хорошо работает один принцип: сначала короткий проход героя, потом поворот головы, потом предмет в руке, и только затем более сложная сцена. Если сразу требовать прыжок, поворот, диалог и резкую смену камеры, модель чаще начинает ошибаться в образе персонажа.

Как собрать героя, предмет и локацию в один ролик

Самый интересный сценарий для нескольких референсов — когда вы объединяете элементы, которые в исходниках никогда не существовали вместе. Это и есть та сила Veo 3.1, ради которой многим вообще хочется с ней работать.

Допустим, у вас есть фотография модели, изображение часов и интерьер дорогого отеля. Тогда промпт может описывать, как модель стоит у окна, застёгивает часы на запястье, камера начинает с общего плана и медленно переходит на крупный кадр руки. Мягкий вечерний свет, отражения на металле, премиальная атмосфера. В таком сценарии лучше не просить модель делать всё сразу. Сначала нужен главный жест, потом крупный план, потом общая атмосфера.

Здесь многореференсный режим особенно полезен для визуальных концепций и рекламных черновиков. Вы можете показать не готовый ролик, а его логику: кто, где, с чем и в каком настроении. Это очень экономит время на обсуждениях с командой, потому что уже есть что оценивать глазами.

Звук и ритм сцены

Одна из сильных сторон Veo 3.1 — возможность задавать звук прямо в промпте. Можно описывать шум дождя, шаги, ветер, городской фон, движение транспорта, скрип двери, шелест ткани, короткие реплики. И это действительно работает лучше, когда вы говорите конкретно. Не «добавь атмосферу», а «слышны дождь по металлическому козырьку, редкие машины и приглушённые шаги по мокрому асфальту».

Если в кадре есть речь, лучше ограничиться короткой репликой. Для длинных диалогов генерация пока чаще становится менее стабильной, и я предпочитаю собирать такие сцены по фрагментам. Это практичнее и аккуратнее.

Звук особенно важен там, где сама картинка довольно спокойная. Иногда он делает сцену живой. Без него кадр может быть красивым, но пустоватым. С ним появляется ощущение присутствия. И это уже другой уровень восприятия.

Вертикальные ролики и рабочие задачи

Veo 3.1 хорошо подходит для вертикальных роликов, коротких тизеров и визуальных фрагментов для социальных сетей. Здесь нужно заранее думать о композиции. Героя лучше ставить ближе к центру, не прятать важный объект у самого края и оставлять пространство над головой. Если вы заранее готовите референсы под формат 9:16, результат обычно чище.

Для горизонтального видео, наоборот, важнее ширина пространства. Там лучше работают пейзажи, большие интерьеры, автомобильные сцены, прогулки, панорамы. Я часто замечаю, что один и тот же набор референсов в вертикали и горизонтали даёт совсем разное ощущение. Поэтому формат лучше решать до генерации, а не после.

Для подготовки изображений можно использовать GPT Image 2, Seedream 5, Nano Banana, MidJourney или Flux. Если нужно подтянуть разрешение, я обычно смотрю в сторону Topaz Photo AI или Magnific AI. Для сохранения стабильного персонажа в серии визуалов иногда удобно работать через Krea.

Но я бы всё равно не смешивала всё это в один хаотичный процесс. Сначала соберите чёткие референсы. Потом решите, кто главный в сцене. Потом уже переходите к деталям. Иначе легко утонуть в красивых, но плохо связанных между собой картинках.

В моём Telegram-канале «AI VISIONS» я показываю, как именно собирать такие сцены в нейросетях и какие приёмы помогают получать более устойчивый результат.

Если вам важно не просто собрать красивый ролик, а потом ещё и спокойно оплатить сам сервис, я в последнее время использую Wanttopay — там удобно держать пополняемые виртуальные карты Visa и Mastercard с 3D-Secure, а управление идёт через мини-приложение в Телеграме. Для работы с инструментами вроде Veo 3.1 это экономит лишние круги вокруг платежей, особенно когда нужно быстро протестировать несколько вариантов.

Где Veo 3.1 чаще всего даёт сбой

У этой модели есть один очень типичный характер: она любит цельный образ, но может споткнуться на слишком мелких просьбах. Это не значит, что ею сложно пользоваться. Просто у неё есть предел, за которым начинается угадывание. И чем точнее вы понимаете слабые места, тем меньше разочарований.

Мелкие надписи и сложный текст

Если в кадре есть вывеска, упаковка, этикетка или экран с текстом, я не жду от генерации идеальной читаемости. В таких случаях лучше заранее относиться к надписям как к части декора, а не как к источнику точной информации. Для роликов с товаром это особенно заметно: форма может выйти хорошо, а мелкие буквы — нет.

Из практики я бы советовала выносить текст отдельно, если он действительно важен. Тогда сама сцена остаётся чистой, а смысл не теряется из-за искажённых символов.

Сложные руки и предметы в движении

Руки по-прежнему остаются местом, где заметны почти все огрехи. Если персонаж держит предмет, раскрывает ладонь, поворачивает кисть или что-то передаёт, лучше сначала выбрать более простой жест. Особенно это касается сцен, где предмет должен быть узнаваемым с первого взгляда.

Я много раз ловила себя на том, что пыталась сразу собрать слишком динамичный кадр с мелкой моторикой. Итог всегда один и тот же: ролик становится менее устойчивым там, где важна точность. Поэтому для сложных движений я теперь иду от простого к сложному, без спешки.

Избыточное количество смыслов

Когда в одном запросе одновременно есть герой, сложная локация, смена света, движение камеры, предметный акцент и ещё эмоциональная мимика, модель начинает рассыпаться. Это не брак инструмента, это просто перегруз. Мне кажется, здесь многие переоценивают терпение генерации и недооценивают ценность одного ясного действия.

Если вам нужен сильный результат, держите сцену короче по смыслу. Один жест, одно настроение, одна главная точка внимания работают лучше, чем пять одновременно.

Как я выстраиваю работу с несколькими референсами

Удобнее всего думать о референсах как о рабочем наборе, а не как о коллекции красивых картинок. Тогда вы быстрее понимаете, что брать, а что оставить на потом. У меня обычно выходит простая логика: сначала отбор, потом проверка совместимости, потом текст.

Проверка на совместимость

Не все изображения хорошо дружат между собой. Если один референс слишком яркий, второй слишком тёмный, а третий снят в другом ракурсе, модель может смешать признаки не так, как вам нужно. Я всегда смотрю, есть ли между картинками хоть какая-то общая линия: похожий угол, общий свет, близкая плотность кадра или совпадающий характер героя.

Если ничего общего нет, результат часто выходит рваным. Лучше заранее слегка привести изображения к одному уровню, чем потом пытаться объяснить модели, почему всё это должно жить в одной сцене.

Лаконичный текст вместо перегруза

Мне нравится писать короткий, но очень конкретный запрос. Без длинных украшений. Например: кто в кадре, где он находится, что делает, как движется камера, какой свет, какой звук. Этого достаточно, если референсы уже хорошо подготовлены.

Когда текст слишком длинный, я чаще начинаю сама мешать себе. Модель не нуждается в лишних уточнениях, если визуальная база уже сильная. Это один из тех случаев, где сдержанность работает лучше многословия.

Что можно собрать в Veo 3.1 на практике

Мне нравится проверять инструмент не абстрактно, а на задачах, которые действительно встречаются в работе. Тогда сразу видно, где он полезен, а где стоит искать другой путь.

Короткий тизер для продукта

Если вам нужен фрагмент для запуска товара, Veo 3.1 удобно использовать для сборки короткой атмосферной сцены. Например, предмет стоит на столе у окна, к нему тянется рука, камера медленно приближается, а свет меняется в течение нескольких секунд. Такой ролик хорошо подходит, когда нужно не объяснять всё буквально, а создать ощущение.

В подобных задачах мне нравится то, что можно отдельно удержать сам товар, отдельно место и отдельно эмоциональный тон. Это сильно упрощает подготовку визуала перед более серьёзным монтажом.

Концепт для ролика с персонажем

Если вы делаете визуальный черновик для будущей съёмки, модель помогает быстро проверить, как будет смотреться герой в конкретной среде. Это удобно, когда идея ещё не утверждена и хочется увидеть хотя бы каркас сцены. Я сама не раз использовала такой подход, чтобы показать заказчику не статичную картинку, а движение и характер будущего ролика.

Здесь особенно ценится то, что можно быстро отсеять лишнее. Сразу видно, сработает ли задумка, или её лучше переделать до этапа полноценной работы.

Кадр с атмосферой города или интерьера

Когда основой сцены становится пространство, Veo 3.1 тоже ведёт себя достойно. Городская улица, вокзал, коридор, кафе, офис, лестница, крыша, ночная дорога — всё это можно собрать так, чтобы пространство не выглядело случайным фоном. Но опять же, работает только в том случае, если вы заранее понимаете, что именно должно ощущаться главным.

Если локация нужна как характер, а не просто как декорация, лучше дать модели сильный визуальный ориентир и коротко описать, как герой взаимодействует с этим местом. Тогда сцена начинает жить.

Когда лучше не усложнять

Есть ситуации, где я бы не советовала гнаться за максимальной детализацией. Если у вас срочная задача, лучше получить чистый и предсказуемый ролик, чем долго добиваться сложного, но нестабильного результата. Это особенно важно, когда видео нужно для обсуждения, а не для финального показа.

Иногда достаточно одного хорошего референса на героя и одного на локацию. Третий слот не обязан быть заполнен любой ценой. Если он не усиливает сцену, а только добавляет шум, лучше оставить его пустым или сохранить на следующую версию.

Тот же принцип касается движения камеры. Сильные проходы, повороты и резкие смены плана красивы, но не всегда полезны. Если ваша задача — сохранить лицо, одежду и предмет, спокойный ритм часто даёт более надёжный результат.

Мой рабочий вывод по Veo 3.1

Для меня ценность Veo 3.1 в том, что она позволяет мыслить сцены не одним плоским кадром, а набором элементов, которые можно собрать вместе с заметной точностью. Когда вы подаёте персонажа, место и стиль отдельно, ролик получается собраннее и чище. Но эта точность держится только на дисциплине: хороший референс, короткий запрос, ясная роль каждого изображения.

Я бы описала эту модель так: она хорошо работает с теми, кто умеет выбирать. Если вы понимаете, что важно в кадре, Veo 3.1 это подхватывает. Если же вы пытаетесь запихнуть в сцену всё сразу, она быстро начинает терять фокус. И это, пожалуй, самое полезное наблюдение для практики.

Итог

Veo 3.1 особенно сильна там, где нужно соединить героя, предмет и локацию в одном видео без хаоса. До трёх референсов хватает, если заранее продумать, что отвечает за внешность, что за пространство, а что за настроение. Для сложных роликов это удобный рабочий формат: меньше случайности, больше контроля, больше шансов получить тот кадр, который вы задумали.

Если подойти к задаче спокойно и не перегружать запрос, Veo 3.1 даёт очень рабочий результат для тизеров, концептов и коротких сцен. В этом и есть её сила: она помогает не фантазировать бесконечно, а быстро собирать видимую форму идеи.

А ещё приглашаю вас в мою AI Лабораторию на Boosty — там я регулярно выкладываю уроки по инструментам для работы с видео и изображениями, делюсь промптами, которыми пользуюсь сама, и делаю разборы видео: рассказываю, как создавать с нуля. Подписывайтесь!